数据驱动和科学增长怎么落地？读这篇就够了( 四 )

这个案例属于新增业务产品，覆盖所有航司客户，但是5%左右的客户会购买）
计算得出重要性= 6.7
研发成本 =1.7 （预估50-60 工作人日）
这样就可以得出：项目收益 = 6.7 – 1.7 = 5
把每个业务需求的项目收益进行排序，按照高低顺序安排优先级就可以解决各业务方的争议。
当收益一致时，再看重要性指标即可。
如果你仔细去回顾这个公式，会发现用户影响面（比率）是一个非常关键的因子。
所以即便是研发资源的安排，也可以通过对用户洞察的需求来推断其重要性，并保证企业可以把资源投入在有长期价值的项目上（技术升级改造类项目需要另一套方法来评估，此处略过）。
如何做好用户洞察这件事？
大体上，我们经常会因为这些目标，而需要做好用户洞察：

如何知道现有的CRM制定的营销规则起作用了？是规则设计对了？还是价格和渠道的原因？用户是因为低价优惠还是本来就需要？
我们对所有客户的分群方式到底应该细到什么程度呢？
流量在进来，也在流走，用户需求开始变得复杂怎么办？
如何通过运营发现产品、业务和流程优化？
如何解决用户留存率始终在下降？到底要如何定义核心指标？
董事会要求我们年底KPI要过底线，到底如何带领公司找到可以撬动用户自发增长的曲线？

比较好的实践，像阿里内部的数据产品比如棱镜，天选，地藏都是类似的，业务运营甚至是天猫卖家都可以在上面做简单的逻辑组合或者是筛选后，后端通过sql引擎以及算法引擎自动的帮业务运营甚至是天猫卖家找出所需要的用户，做一些精细化运营，这些都不需要技术参与。
这样的话能大大提高业务的自主性和执行效率，不需要等待，或者说是由后方的技术人员的限制而拖累他们的进度。再者很多的机器学习的算法或者是标签的产生，其实使用方都是业务部门，他们应该是要对这这类东西的产生有一定的理解。
如果全是黑盒的话，他们也会惧怕使用。
引用19年在加拿大温哥华举办的人工智能领域的重量级NeurIPS 2019大会上比较深刻的一句话
Our Goal is not be predict ，but rather understand
其实标签体系或者说是标签产品工具，它本质上是一个工具，工具当然是为了提高工作效率的，而作为使用者的业务运营和产品团队必须可以对这些有重大的参与感，才能理解和信任这个有着“黑盒”能力的系统：

参与规则标签的制定
参与模型标签的制定
可以定义权重
可以定义维度

一个好的标签体系，及所对应的软件系统和工具应该支持业务运营和产品团队自动创建产生标签，并使用，或者标签平台。
这样，通过一个完善的标签平台来实现受众定向、人群拆分和效果预估，让产品和运营团队可以发挥业务经验和创造性能力去关注营销策略的设计和量化验证。
这个标签平台就是企业内部的数据资产平台核心，也可以叫企业的一方DMP平台，通过API与其他数据和业务系统可以把标签完全地应用起来：
在拥有了自身一方的DMP能力后，类似航司这样的企业可以改变以往广告投放的粗放模式，举一个Airbnb的例子。
Airbnb的房东增长LTV模型：
Airbnb将转化归因给相应的广告之后，公司需要知道这些转化的生命周期价值（LTV），即具体每次转化能带来的收益。对于房东用户增长来说， LTV能够预测哪些用户能给Airbnb带来更高的利润。
在Airbnb的房东提供了多种多样的空间，包括合租的和整租的。这些多样的房屋种类给了租客用户独特的体验，同时给LTV估算带来了挑战。
Airbnb团队开发了机器学习模型来预测每个listing的LTV 。然而房东用户的转化时间一般来说非常长，因为把自己的空间放在网上需要比较大的决心。从第一次点击广告到发布listing的时间可能是几天或者几周。当团队收集了更多数据之后， Airbnb可以提高LTV预测的准确性同时解决长转化时间带来的问题。